PulseAugur
中
实时 10:35:45
English(EN) OneLA: Scaling Linear-Attention Decoding to Large Beams in Generative Recommendation

新框架OneLA提升生成式推荐效率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了OneLA，一个旨在提高生成式推荐系统效率的新框架。该框架通过用单个共享的、由提示派生的状态和紧凑的分支转换记录来表示所有束状态，从而解决了循环线性注意力模型中大束解码的挑战。OneLA在每一步仅计算必要的状态信息，避免了为每个束重建完整循环状态的需要，并使用轻量级的祖先索引来跟踪束历史。这种方法带来了显著的速度提升和内存使用减少。 AI

影响 该框架可以提高依赖大束解码的推荐系统的性能和效率。

排序理由 这是一篇详细介绍生成式推荐系统新技术框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.IR (Information Retrieval) 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架OneLA提升生成式推荐效率

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
这是一篇详细介绍生成式推荐系统新技术框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, infra
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
34 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Yiming Qiu ·

    OneLA：将线性注意力解码扩展到生成式推荐中的大束

    Generative recommendation (GR) relies on large-beam decoding to generate hundreds of candidate items, creating a new scaling challenge for recurrent linear attention. Existing linear attention serving systems either materialize a full recurrent state for every beam or repeatedly …

相关实体

相关话题